آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ

قیمت فعلی: ۴۹۹,۰۰۰ ۲۴۹,۵۰۰ تومان

قیمت دوره‌ ممکن است توسط سایت مبدا تغییر کند

آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ 🎯

چرا این دوره ارزش وقت گذاشتن داره؟

اگه سراغ یادگیری ماشین رفتی و حس می‌کنی فقط یادگیری نظارت‌شده رو می‌شناسی، این دوره دقیقاً همون جاییه که دایره دانشت رو کامل می‌کنه. سه تا از مهم‌ترین شاخه‌های ML یعنی یادگیری بدون نظارت، س...

آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ 🎯

چرا این دوره ارزش وقت گذاشتن داره؟

اگه سراغ یادگیری ماشین رفتی و حس می‌کنی فقط یادگیری نظارت‌شده رو می‌شناسی، این دوره دقیقاً همون جاییه که دایره دانشت رو کامل می‌کنه. سه تا از مهم‌ترین شاخه‌های ML یعنی یادگیری بدون نظارت، سیستم‌های توصیه‌گر و یادگیری تقویتی اینجا کنار هم آموزش داده می‌شن.

با رشد آمار و علوم کامپیوتر، دیتاست‌های بهتر و شبکه‌های عصبی قدرتمندتر، یادگیری ماشین در چند سال اخیر حسابی پیشرفت کرده. امروز ML همه‌جا هست؛ از ترجمه خودکار و تشخیص تصویر گرفته تا جستجوی صوتی و خودروهای خودران. این دوره هم یکی از پیشرفته‌ترین دوره‌های موجود برای آموزش این سه مبحث محسوب می‌شه که توسط مکتب‌خونه تهیه شده و هم‌اکنون با تخفیف ویژه در دسترسه.

مشخصات دوره در یک نگاه

چی یاد می‌گیری؟

با شرکت در این دوره، این مهارت‌ها رو به دست میاری:

• پیاده‌سازی تکنیک‌های یادگیری بدون نظارت مثل خوشه‌بندی و تشخیص ناهنجاری
• ساخت سیستم‌های توصیه‌گر با فیلتر مشارکتی و روش‌های یادگیری عمیق مبتنی بر محتوا
• طراحی مدل‌های یادگیری تقویتی عمیق
• درک تفاوت‌ها و کاربردهای هر شاخه در مسائل واقعی

این تخصص توسط اندرو انگ تدریس می‌شه؛ کسی که تحقیقات مهمی در دانشگاه استنفورد انجام داده و نقش پیشگام در Google Brain، Baidu و Landing.AI داشته. یعنی داری از یکی از شناخته‌شده‌ترین چهره‌های هوش مصنوعی یاد می‌گیری.

محتوای فصل‌ها

این دوره به کار کی میاد؟

اگه دانشجوی کارشناسی، ارشد یا دکتری مهندسی کامپیوتر هستی، این دوره یکی از بهترین انتخاب‌هاست. همچنین برای هر کسی که در زمینه هوش مصنوعی و یادگیری ماشین تحقیق یا کار می‌کنه، دید جامعی از سه شاخه کلیدی ML می‌ده.

فرض کن داری روی پروژه پایان‌نامه‌ات کار می‌کنی و می‌خوای یه سیستم پیشنهاددهنده برای یه اپلیکیشن بسازی. یا شاید بخوای یه ایجنت هوشمند طراحی کنی که خودش یاد بگیره. تکنیک‌هایی که اینجا یاد می‌گیری، دقیقاً همون ابزارهایی هستن که برای این نوع پروژه‌ها لازمت می‌شه.

یه مرور سریع روی مفاهیم پایه

یادگیری ماشین اصلاً چیه؟

یادگیری ماشین (ML) شاخه‌ای از هوش مصنوعی (AI) هست که کامپیوترها رو قادر می‌کنه از داده‌های آموزشی «خودشون یاد بگیرن» و در طول زمان بدون برنامه‌ریزی صریح، بهتر بشن. الگوریتم‌های ML الگوهای موجود در داده‌ها رو تشخیص می‌دن و بر اساس اون‌ها پیش‌بینی می‌کنن.

توی برنامه‌نویسی سنتی، یه مهندس یه سری دستورالعمل می‌نویسه که به کامپیوتر بگه چطور ورودی رو به خروجی تبدیل کنه. دستورالعمل‌ها بیشتر بر پایه ساختار IF-THEN هستن. ولی یادگیری ماشین یه فرآیند خودکاره که ماشین‌ها رو قادر می‌کنه با کمترین دخالت انسان، بر اساس مشاهدات گذشته تصمیم بگیرن.

نکته‌ای که خیلی‌ها قاطی می‌کنن: هوش مصنوعی و یادگیری ماشین دو مفهوم متفاوتن. AI مفهوم گسترده‌تره و ML زیرمجموعه‌ای از اونه.

انواع یادگیری ماشین

یادگیری تحت نظارت (Supervised Learning): بر اساس داده‌های آموزشی برچسب‌گذاری‌شده پیش‌بینی می‌کنه. هر نمونه یه ورودی و یه خروجی مشخص داره. مثلاً برای شناسایی ایمیل اسپم، باید نمونه‌های برچسب‌خورده بدی به الگوریتم تا یاد بگیره.

یادگیری بدون نظارت (Unsupervised Learning): تمرکز اصلی بخش اول این دوره‌ست. مدل‌ها با داده‌های بدون برچسب کار می‌کنن و باید خودشون الگوها رو کشف کنن. خوشه‌بندی یه مثال رایجه؛ مثلاً یه فروشگاه اینترنتی می‌تونه مشتری‌هاش رو بر اساس رفتار خرید دسته‌بندی کنه.

یادگیری نیمه نظارتی (Semi-Supervised Learning): ترکیبی از داده‌های برچسب‌دار و بدون برچسب. برای کارهایی مثل طبقه‌بندی تصاویر که دیتاست بزرگ لازمه، خیلی به‌صرفه‌تره.

یادگیری تقویتی (Reinforcement Learning): اینجا یه عامل نرم‌افزاری یاد می‌گیره چطور در یه محیط عمل کنه تا پاداشش رو حداکثر کنه. از طریق آزمون‌وخطا پیش می‌ره و از اشتباهاتش درس می‌گیره. بیشتر در رباتیک و بازی کاربرد داره.

یادگیری عمیق (Deep Learning): مدل‌های پیشرفته‌ای که می‌تونن تحت نظارت، نیمه نظارتی یا بدون نظارت باشن. غول‌های فناوری مثل گوگل و مایکروسافت ازشون برای ماشین‌های خودران و دستیارهای هوشمند استفاده می‌کنن.

سیستم‌های توصیه‌گر چطور کار می‌کنن؟

سیستم‌های توصیه‌گر (Recommender Systems) راهی برای پیشنهاد آیتم‌ها و ایده‌ها بر اساس سلیقه خاص هر کاربر هستن. بخش دوم این دوره با رویکرد ساخت این سیستم‌ها ارائه شده. دو نوع اصلی داریم:

• فیلتر مشارکتی (Collaborative Filtering): بر اساس شباهت بین کاربران یا آیتم‌ها توصیه می‌کنه. فرض اصلی اینه که کاربران با علایق مشابه، ترجیحات مشترکی دارن. از یه ماتریس کاربر-آیتم استفاده می‌کنه که می‌تونه شامل بازخورد صریح یا ضمنی باشه.
• توصیه مبتنی بر محتوا (Content-Based Recommendation): نوعی یادگیری نظارت‌شده‌ست که آیتم‌های مشابه چیزهایی که کاربر قبلاً پسندیده رو پیشنهاد می‌ده. برای هر آیتم یه پروفایل ساخته می‌شه و از روی ویژگی‌هاش شباهت محاسبه می‌شه.

چند تا سوال که ممکنه ذهنت رو مشغول کنه

**این دوره برای شروع مناس